[发明专利]一种基于时空特性的城市轨道交通客流状态预测方法

说明书

本发明公开了一种基于时空特性的城市轨道交通客流状态预测方法，首先对AFC数据预处理得到断面客流量；将城轨线网图转化为邻接拓扑图，使用图卷积神经网络提取空间特征；进而将数据输入到长短期记忆网络中，构建城轨客流预测模型，得到下个时间粒度的客流量；对此客流量进一步建立基于风险的持续时间全参数预测模型得到客流持续时间；根据所有数据构建客流量时间序列，使用Fisher有序样本聚类算法，形成线网客流状态序列，得到客流状态的预测值和持续时间。本发明通过基于时空特性的城市轨道交通客流状态预测方法，不仅给出了下一阶段客流状态的预测值，并给出了状态持续时间，为城轨的运营组织提供了更为准确的依据。

技术领域

本发明涉及一种城市轨道交通客流状态预测方法，尤其涉及一种基于时空特性的城市轨道交通客流状态预测方法。

背景技术

是否具有城市轨道交通已成为衡量一个城市综合发展水平高低的重要因素，目前各国城市轨道交通网络化运营格局基本形成。未来的城市轨道交通发展将更趋向于多线路、大客流以及系统制式多元化特征。

为了提升整个轨道交通的运营效率和整体服务水平，城轨系统使用自动售检票系统(AFC)来统计客流的数据，利用AFC的历史客流数据来对车站未来的客流量进行实时预测具有十分重要的应用前景。城市轨道交通列车运行图是全日行车计划的具体表现，通过分析城市轨道交通客流转移规律变化趋势，为行车计划安排提供数据支撑。更重要的是通过对客流量的预测可以为城轨决策层提供实时动态的调整措施，制定合适的运行方案。由于客流状态转移是一种非线性的随机波动过程，采用简单的分时计算预测的方法往往得到的效果很差。

发明内容

发明目的：本发明的目的为提供一种保证了行车调度的可靠性、为城市轨道交通的安全管理和运营组织决策提供了更为准确的依据的基于时空特性的城市轨道交通客流状态预测方法。

技术方案：本发明的基于时空特性的城市轨道交通客流状态预测方法，包括如下步骤：

(1)获取AFC历史客流量作为输入数据，对城轨客流数据进行预处理操作，得到城轨线路OD分布概率矩阵和断面客流量；

(2)将城轨线网图进行节点连边信息提取得到线路邻接拓扑图，根据拓扑图得到节点邻接矩阵，结合城轨线网断面客流量作为图卷积神经网络GCN的输入，提取城轨线路客流数据空间特征；

(3)将GCN输出客流量作为长短期记忆网络LSTM的输入，构建基于时间和空间因素下的轨道交通OD客流预测模型，得到下个时间粒度的城轨线网客流量；

(4)根据预测得到的城轨线网客流量建立生存分析统计中的基于风险的持续时间全参数模型，挖掘预测客流数据接下来持续的时间分布规律；

(5)根据客流数据接下来持续的时间分布规律的预测结果和客流历史数据构建断面客流量时间序列，使用Fisher有序样本聚类算法，进行有序数据流的最优分割，形成城轨线网区间断面客流率的最佳分类；

(6)基于断面客流数据最优分割统计得到断面满载率，根据满载率阈值区间形成城轨线网客流状态序列，得到城轨线网的预测状态和持续时间。

进一步地，步骤(1)中，预处理包括如下步骤：对客流数据离群点、异常点进行数据清理，再进行噪声去噪。

步骤(1)中，城轨交通线网统计粒度为30-60分钟，通过OD分布概况矩阵表计算线网乘客上下车量，结合OD分布信息得出断面客流量。

步骤(2)中，图卷积神经网络GCN是带有信号节点的图结构，通过谱图方法卷积操作分析数据。具体的拓扑图拉普拉斯矩阵L规范形式为：

其中A∈R^N*N表示节点之间的边关系用邻接矩阵，D表示度矩阵，I_N为带有自连接的邻接矩阵与节点邻接矩阵的差；